Lue semanttisista malleista ja kirjoita tietoja, joita Power BI voi käyttää Pythonilla

Tässä artikkelissa kerrotaan, miten voit lukea tietoja ja metatietoja ja arvioida semanttisten mallien mittareita Microsoft Fabricin SemPy python -kirjaston avulla. Opit myös kirjoittamaan tietoja, joita semanttiset mallit voivat käyttää.

Edellytykset

• Hanki Microsoft Fabric -tilaus. Voit myös rekisteröityä ilmaiseen Microsoft Fabric -kokeiluversioon.

• Kirjaudu sisään Microsoft Fabriciin.

• Siirry Synapse Data Science -käyttökokemukseen aloitussivun vasemmassa reunassa olevan käyttökokemuksen vaihtajan avulla.

  

• Siirry Microsoft Fabricin datatieteen kokemukseen.
• Luo uusi muistikirja , jonka avulla voit kopioida ja liittää koodia soluihin.
• Spark 3.4:ssä ja tätä uudemmat versioissa semanttinen linkki on käytettävissä oletusarvoisessa suorituspalvelussa Fabricia käytettäessä, eikä sitä tarvitse asentaa. Jos käytät Spark 3.3:a tai uudempaa versiota tai haluat päivittää semanttisen linkin uusimpaan versioon, voit suorittaa komennon: python %pip install -U semantic-link  
• Lisää Lakehouse muistikirjaasi.
• Lataa semanttinen Customer Profitability Sample.pbix -malli kangasmallisäilön tietojoukkokansiosta ja tallenna semanttinen malli paikallisesti.

Semanttisen mallin lataaminen työtilaan

Tässä artikkelissa käytetään asiakkaan tuottavuuden malli.pbix-semanttista mallia. Tämä semanttinen malli viittaa yrityksen markkinointimateriaaleihin ja sisältää tietoja tuotteista, asiakkaista ja eri liiketoimintayksiköiden vastaavista tuotoista.

1. Avaa työtilasi Fabric Data Science -toiminnossa.
2. Valitse Lataa > selaus ja valitse asiakkaan tuottavuuden malli.pbix semanttinen malli.

Kun lataus on valmis, työtilassasi on kolme uutta artefaktia: Power BI -raportti, koontinäyttö ja semanttinen malli, jonka nimi on Asiakkaan tuottavuuden malli. Käytät tätä semanttista mallia tämän artikkelin vaiheissa.

Semanttisten mallien tietojen lukeminen Pythonilla

SemPy Python -ohjelmointirajapinta voi noutaa tietoja ja metatietoja Microsoft Fabric -työtilassa olevista semanttisista malleista ja suorittaa niille kyselyitä.

Muistikirja, Power BI -tietojoukon semanttinen malli ja Lakehouse voivat sijaita samassa työtilassa tai eri työtiloissa. SemPy yrittää oletusarvoisesti käyttää semanttista malliasi seuraavasti:

• Lakehousen työtila, jos kiinnitit muistikirjaasi lakehousen.
• Muistikirjasi työtila, jos siihen ei ole kiinnitetty mitään.

Jos semanttinen mallisi ei sijaitse kummassakaan näistä työtiloista, sinun on määritettävä semanttisen mallin työtila, kun kutsut SemPy-menetelmää.

Tietojen lukeminen semanttisista malleista:

1. Luettele työtilassa käytettävissä olevat semanttiset mallit.

   import sempy.fabric as fabric
   
   df_datasets = fabric.list_datasets()
   df_datasets
   

2. Luettele asiakkaan tuottavuuden mallin semanttisessa mallissa käytettävissä olevat taulukot.

   df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
   df_tables
   

3. Luettele asiakkaan tuottavuuden mallissa määritetyt mittarit semanttisessa mallissa.

   Vihje

   Seuraavassa koodissa on määritetty SemPy-työtila semanttisen mallin käyttämiseen. Voit korvata sen Your Workspace työtilan nimellä, johon latasit semanttisen mallin (kohdasta Semanttisen mallin lataaminen työtilaan ).

   df_measures = fabric.list_measures("Customer Profitability Sample", workspace="Your Workspace")
   df_measures
   

   Nyt olemme määrittäneet, että Customer-taulukko on kiinnostava taulukko.

4. Lue Asiakas-taulukko Asiakkaan tuottavuuden mallin semanttisesta mallista.

   df_table = fabric.read_table("Customer Profitability Sample", "Customer")
   df_table
   

   Muistiinpano

   • Tiedot noudetaan XMLA:n avulla, joten ne edellyttävät vähintään XMLA:n vain luku -käyttöä.
   • Semanttista mallia isännöivän kapasiteetin SKU:n kyselykohtainen enimmäismuistimäärä ja muistikirjaa suorittava Spark-ohjainsolmu (katso muistikirjaa suorittava solmun koko) rajoittaa noudettavien tietojen määrää.
   • Kaikissa pyynnöissä käytetään matalaa prioriteettia sen minimoimiseksi, mikä vaikuttaa Microsoft Azure Analysis Servicesin suorituskykyyn, ja niitä laskutetaan vuorovaikutteisena pyyntönä.

5. Arvioi Kokonaistuotto-mittari asiakkaan tilaa ja päivämäärää kohden.

   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["'Customer'[State]", "Calendar[Date]"])
   df_measure
   

   Muistiinpano

   • Oletusarvoisesti tietoja ei noudeta XMLA:n avulla, joten ne eivät vaadi XMLA:n vain luku -käyttöä.
   • Lisäksi Power BI -taustarajoitukset eivät koske tietoja.
   • Semanttista mallia isännöivän kapasiteetin SKU:n kyselykohtainen enimmäismuistimäärä ja muistikirjaa suorittava Spark-ohjainsolmu (katso muistikirjaa suorittava solmun koko) rajoittaa noudettavien tietojen määrää.
   • Kaikkia pyyntöjä laskutetaan vuorovaikutteisiksi pyynnöiksi.

6. Voit lisätä suodattimia mittarin laskentaan määrittämällä luettelon arvoista, jotka voivat olla tietyssä sarakkeessa.

   filters = {
       "State[Region]": ["East", "Central"],
       "State[State]": ["FLORIDA", "NEW YORK"]
   }
   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["Customer[State]", "Calendar[Date]"],
       filters=filters)
   df_measure
   

7. Voit myös arvioida Kokonaistuotto-mittarin asiakkaan tilaa ja päivämäärää kohden DAX-kyselyn avulla.

   df_dax = fabric.evaluate_dax(
       "Customer Profitability Sample",
       """
       EVALUATE SUMMARIZECOLUMNS(
           'State'[Region],
           'Calendar'[Date].[Year],
           'Calendar'[Date].[Month],
           "Total Revenue",
           CALCULATE([Total Revenue]))
       """)
   

   Muistiinpano

   • Tiedot noudetaan XMLA:n avulla, joten ne edellyttävät vähintään XMLA:n vain luku -käyttöä.
   • Microsoft Azure Analysis Servicesissä ja Spark-ohjainsolmussa käytettävissä olevan muistin määrä rajoittaa noudettavien tietojen määrää (katso solmun koko).
   • Kaikissa pyynnöissä käytetään matalaa prioriteettia sen minimoimiseksi, mikä vaikuttaa Analysis Servicesin suorituskykyyn, ja niitä laskutetaan vuorovaikutteisena pyyntönä.

8. Voit arvioida saman DAX-kyselyn ilman tarvetta tuoda kirjastoa käyttämällä solun %%dax taikuutta. Suoritetaan alla oleva solu, niin solun taikuutta ladataan %%dax .

   %load_ext sempy
   

   Työtila-parametri on valinnainen, ja se noudattaa samoja sääntöjä kuin funktion evaluate_dax työtilaparametri. Solun taika tukee myös Python-muuttujien käyttämistä syntaksin {variable_name} avulla. Jos haluat käyttää aaltosulkeita DAX-kyselyssä, voit välttää sen toisella aaltosulkeella (esimerkiksi EVALUATE {{1}}).

   %%dax "Customer Profitability Sample" -w "Your Workspace"
   EVALUATE SUMMARIZECOLUMNS(
       'State'[Region],
       'Calendar'[Date].[Year],
       'Calendar'[Date].[Month],
       "Total Revenue",
       CALCULATE([Total Revenue]))
   

   Tulokseksi saatava FabricDataFrame on käytettävissä -muuttujan _ kautta, joka tallentaa viimeisen suoritetun solun tuloksen.

   df_dax = _
   
   df_dax.head()
   

9. Vaihtoehtoisesti voit lisätä mittareita ulkoisista lähteistä noudettuihin tietoihin. Tämä lähestymistapa yhdistää kolme tehtävää: se ratkaisee sarakenimet Power BI -dimensioihin, määrittää ryhmittelyn sarakkeiden mukaan ja suodattaa mittarin. Kaikki sarakkeiden nimet, joita ei voida ratkaista annetun semanttisen mallin sisällä, ohitetaan (katso tuettu DAX-syntaksi).

   from sempy.fabric import FabricDataFrame
   
   df = FabricDataFrame({
           "Sales Agent": ["Agent 1", "Agent 1", "Agent 2"],
           "Customer[Country/Region]": ["US", "GB", "US"],
           "Industry[Industry]": ["Services", "CPG", "Manufacturing"],
       }
   )
   
   joined_df = df.add_measure("Total Revenue", dataset="Customer Profitability Sample")
   joined_df
   

Erityiset parametrit

SemPy-parametrilla read_table ja evaluate_measure -menetelmillä on enemmän parametreja, joista on hyötyä tuloksen muokkaamisessa. Näitä parametreja ovat esimerkiksi seuraavat:

• fully_qualified_columns: Jos arvo on "True", menetelmät palauttavat sarakkeiden nimet lomakkeessa TableName[ColumnName].
• num_rows: Tuloksessa tulostettavien rivien määrä.
• pandas_convert_dtypes: Jos arvo on "True", tuloksena saatavat DataFramen sarakkeet valetaan parhaan mahdollisen dtype-tyyppiin pandas convert_dtypes avulla. Jos tämä parametri on poistettu käytöstä, tyypin yhteensopivuusongelmat voivat johtua liittyvien taulukoiden sarakkeista, joita Ei ehkä ole havaittu Power BI -mallissa DAXin implisiittisen tyypin muunnoksen vuoksi.

SemPy read_table käyttää myös Power BI:n toimittamia mallitietoja.

• multiindex_hierarchies: Jos arvo on tosi, muuntaa Power BI -hierarkiat pandas MultiIndex -rakenteeksi.

Semanttisten mallien kuluttamien tietojen kirjoittaminen

Lakehouse-järjestelmään lisätyt Spark-taulukot lisätään automaattisesti vastaavaan semanttiseen oletusmalliin. Tässä esimerkissä näytetään, miten voit kirjoittaa tietoja liitettyyn Lakehouse-järjestelmään. FabricDataFrame hyväksyy samat syötetiedot kuin Pandas-tietokehykset.

from sempy.fabric import FabricDataFrame

df_forecast = FabricDataFrame({'ForecastedRevenue': [1, 2, 3]})

df_forecast.to_lakehouse_table("ForecastTable")

Käyttämällä Power BI: tä ForecastTable-taulukko voidaan lisätä yhdistelmäseemanttiseen malliin Lakehousen semanttisen mallin avulla.

Liittyvä sisältö

• Lisätietoja sempy.functions semanttisten funktioiden käytöstä
• Opetusohjelma: Poimi ja laske Power BI -mittareita Jupyter-muistikirjasta
• Semanttisten mallien suhteiden tutkiminen ja vahvistaminen
• Tietojen vahvistaminen semanttisen linkin avulla